Pour résoudre le problème du manque d’images d’entraînement et de la faible qualité des images générées dans l’étude de la reconnaissance automatique des défauts électroluminescents des modules photovoltaïques, cycleGAN a été utilisé pour générer des images de défauts EL des cellules solaires, avec une comparaison complète par rapport aux images générées par DCGAN. Les images EL capturées ont été classifiées et augmentées pour former un ensemble d’entraînement. Ensuite, cycleGAN et DCGAN ont été entraînés avec cet ensemble. Enfin, les images générées ont été comparées selon trois aspects : efficacité, similarité et diversité. Les résultats montrent que la proportion d’images efficaces générées par cycleGAN est significativement plus élevée que celle de DCGAN. Par rapport aux images réelles, les images générées par cycleGAN présentent une très haute similarité visuelle, difficilement discernable à l’œil nu. L’indicateur FID des images cycleGAN est nettement inférieur à celui de DCGAN. Le modèle de classification entraîné avec les images cycleGAN atteint une précision de 93,45 % sur les images réelles, qui augmente à 98,26 % lorsque quelques images réelles sont ajoutées à l’ensemble d’entraînement, surpassant nettement DCGAN. L’indice moyen MS-SSIM des images cycleGAN est significativement plus faible que celui de DCGAN. L’augmentation des données des images EL des cellules solaires par cycleGAN est une méthode efficace, supérieure à DCGAN en termes d’efficacité, similarité et diversité.

Modules photovoltaïques; cellules solaires; électroluminescence; cycleGAN; DCGAN